Anthropic构建了一个多智能体研究系统，通过智能体协作和动态调整，提高了复杂任务的研究效率。尽管存在高昂的token消耗和协调复杂性，该系统在处理开放式问题时表现优异，特别适合广度优先查询的任务。

本研究提出了“双引擎思维框架”（DEoT），旨在解决传统推理框架在开放式问题中的不足。实验结果表明，DEoT在复杂问题上的胜率达到77-86%。

本文探讨了创建有效代理系统的方法，强调使用简单、可组合的模式而非复杂框架。代理被定义为能够自主执行任务的系统，适用于开放式问题。建议开发者优先考虑简单解决方案，并在必要时增加复杂性。成功的关键在于明确设计、透明的规划步骤和良好的工具文档。遵循这些原则可以创建强大且可靠的代理。

该研究提出了一种基于自回归学习的元启发式算法自动设计器，通过自动生成序列，全面发现元启发式算法的潜力并利用先前的设计经验，解决开放式问题。该设计器生成的算法在25个测试问题中超过了所有人类设计的基准算法，适应不同问题处理环境并显示多样结构和行为。

Refuel是一种用于回答开放式问题中多义性的模型，可同时预测多个答案，使用多个来源的证据进行适应性预测，并提出一种名为往返预测的方法。该模型在AmbigQA数据集上实现了新的最先进性能，并在NQ-Open和TriviaQA上展示了有竞争力的性能。